Причинно-следственные методы

Экстраполяционные методы

Экстраполяция (от лат. extra + polire, что означает приглаживать, отделывать) ¾ это метод научного исследования, заключающийся в распространении выводов, полученных из наблюдения над одной частью явления, на другую часть его или целое. Другими словами, экстраполяционные методы предполагают экстраполяцию кривой зависимости интересующей величины от времени из прошлого в будущее. Эти методы основаны на предположении, что будущие события полностью определяются прошлыми.

Но экстраполяция плохо работает в условиях нестабильности и неопределенности внешних факторов. Тем не менее в некоторых случаях (например, когда отрасль находится на этапе роста или при определении сезонных колебаний, наиболее общих тенденций и т. д.) экстраполяция может оказаться полезной.

Следовательно, возможно вполне успешное применение экстраполяционных методов и в стратегическом управлении: для определения трендов (наиболее общих тенденций развития) или сезонных колебаний (зависимости спроса от времени года).

Причинно-следственные методы базируются на выделении причинно-следственных связей (например, между спросом и его детерминантами). Применение этих методов предполагает использование регрессионных математических методов, методов нейронных сетей, причинно-следственных диаграмм и др.

Применение нейросетевых моделей в большинстве случаев позволяет получить более достоверные результаты, так как дает возможность учитывать как достоверные и однозначно определяемые данные, так и неопределенные, «мягкие» (интенсивность рекламы организации и ее конкурентов, выплаты государственным служащим заработной платы, время года, изменения рыночных долей отраслевых организаций, динамику политической ситуации и т. д.)

Нейросетевые модели состоят из входных, внутренних и выходных нейронов. Количество входных нейронов определяется количеством учитываемых параметров, количество выходных ¾ числом прогнозируемых параметров, количество внутренних ¾ структурой сети. На вход подаются векторы значений, на выходе проводится их сравнение с реальным результатом, после чего проводится корректировка весовых коэффициентов аддитивных функций. Корректировка ведется в направлении минимизации среднеквадратичного отклонения, предельное значение которого задается исследователем.

Для различных реальных систем и ситуаций требуется от нескольких десятков до нескольких тысяч итераций. В качестве одного из программных продуктов можно использовать Excel for Windows.

Данные модели допускают работу с нелинейными связями между параметрами, что дает им существенное преимущество перед линейными регрессионными моделями. На практике нейросетевые модели наиболее часто используются для прогнозирования перспективных объемов продаж, биржевых цен, обменных курсов, для выявления системных связей.

В общем случае, чем за больший период удается собрать информацию, чем больше факторов учесть и адекватнее выбрать архитектуру нейросетевой модели, тем более достоверными оказываются прогнозы.

Наибольшее распространение среди причинно-следственных методов получила диаграмма Каору Исикавы или диаграмма «рыбий скелет». Она применяется, когда требуется исследовать и изобразить все возможные причины определенных проблем (следствий) или условий. Следствие, результат или проблема обычно обозначаются на правой стороне схемы, а главные воздействия или «причины» перечисляются на левой стороне (рис. 5.3).

Рис. 5.3. Причинно-следственная диаграмма Исикавы

Порядок построения причинно-следственной диаграммы следующий²:

· процесс начинается с описания выбранной проблемы, а именно: в чем ее особенности, где она возникает, когда проявляется и как далеко распространяется;

· перечисляются причины, необходимые для построения причинно-следственной диаграммы либо посредством проведения мозговой атаки, либо на основе анализа всех стадий производственного процесса и указанием на контрольных листках возможных причин возникающей проблемы;

· осуществляется построение действительной причинно-следственной диаграммы;

· дается толкование всем взаимосвязям.